在历史长河中，总会诞生一些决定性瞬间。此刻，“顶峰相见”的主角当属生成式AI与数据要素——前者被誉为第四次工业革命的新引擎，而后者则是继劳动力、土地、资本、技术之后新晋的第五大生产要素。

金风玉露一相逢，便胜却人间无数。根据埃森哲最新发布的研究报告，74%的全球商业领袖高管表示，在2024年增加了在数据和生成式AI方面的投入，这一比例较2023年提高24个百分点，预计未来5年将呈现逐年上升的态势。

不难看出，生成式AI与数据要素之间日益形成彼此协同的正反馈效应：高质量数据作为大模型训练与推理的“养料”，驱动生成式AI的能力持续增强；而AI应用又“反哺”业务场景，激活数据潜能，为千行百业数智化转型保驾护航。

然而，虽然“无限风光在险峰”，但“高处不胜寒”的魔咒也从未消除。散点分布的海量数据让很多客户无所适从，不少AI项目因缺乏统一的数据管理平台而搁浅；大模型的部署和运行是系统工程，相关数据的有效调动以及垮部门、垮项目的资源协调都面临巨大挑战；层出不穷的AI工具和应用程序令人眼花缭乱，如何高效切换、重新组合更是颇费思量。

在充满不确定性的新高处，是否可以搭建一个统一的平台，让生成式AI与数据要素实现真正的深度融合，并借助上升阶梯达到前所未有的境界？在近日举办的2024亚马逊云科技re:Invent大会上，针对生成式AI时代客户遭遇的数据分析、模型训练、资源成本等痛点，Amazon SageMaker进一步升级，重磅推出全新的专业工具与服务，成为“所有数据、分析与人工智能需求的中心”。

当年，在大数据应用落地的迷茫期，云计算曾“伸出援手”，以统一数据基础设施化解危机；如今，云计算再次重拳出击，托举生成式AI与数据要素进入平台化跃迁的崭新阶段。

打造数据服务新基座：云计算肩负变革期的重大使命

在IT产业近20年的发展历程中，云计算始终扮演着开路先锋的角色。从IT基础设施的建设方式到资源利用的弹性模式，再到数据服务的平台化演进路径，云计算推动整个产业不断迈上更高台阶。

作为全球云计算领导者，亚马逊云科技自2006年发布存储服务Amazon S3起，就开启了云原生数据服务探索之旅，从基础平台、数据集成、安全合规等维度打造强大的数据新基座。

构建统一的数据平台，是化解数据全生命周期难题的核心基石。数据平台通常涉及存储、分析、监控、治理等多个环节，亚马逊云科技在对象存储、数据仓库、数据湖、流数据处理、大数据分析等方面都提供了完整的产品线且可无缝集成，使客户能轻松搭建端到端的数据解决方案。

多元的数据引擎和强大的数据集成能力，是适应纷繁场景需求的必备利器。亚马逊云科技支持多种数据库和数据处理引擎，针对分析型工作负载还提供Athena等大数据分析引擎；同时，其拥有Glue、Data Pipeline等丰富的数据集成工具，帮助客户达成从采集、转换、加载数据到存储、分析服务的全方位目标。

提升数据安全和合规性，是数据基座行稳致远的根本保障。亚马逊云科技提供多重安全措施和合规认证，如Amazon Key Management Service、CloudHSM等，保护客户的数据隐私、机密性、合规性，让风险降到最低水平。

为生成式AI量身定制统一数据平台：Amazon SageMaker加速进化

当生成式AI与数据要素合流为最强劲的风潮，“云”上的数据基座也必然要经历蜕变。如果说数据水平决定生成式AI的上限，那么具备高度融合特征的数据服务新平台则是生成式AI不断突破天花板的动力源。

其实，早在人工智能尚未“火爆全场”时，亚马逊云科技就已率先入局。2017年，Amazon SageMaker横空出世，以全托管的方式消除基础设施管理的繁文缛节，并将各种工具部署在一个平台上，使客户从繁琐的数据工作中解放出来，借助开箱即用的集成环境就能开展大规模业务创新。

从某种意义上讲，生成式AI的迅猛发展加快了Amazon SageMaker的进化速度。伴随与机器学习相关的工作负载与日俱增，越来越多的客户对准备、处理、分析数据提出更高要求，构建一个将AI与数据融为一体的整合式体验环境变得至关重要。

正是在这样的背景下，亚马逊云科技对Amazon SageMaker的定位进行重大升级，致力于打造“所有数据、分析和人工智能需求的中心”。全新发布的Amazon SageMaker Unified Studio可提供整合的数据和人工智能开发环境，允许客户访问组织中的所有数据，并使用最适合的工具。目前，它整合的服务涵盖Amazon EMR、Amazon Glue、Amazon Redshift、Amazon Bedrock中独立的Studio，以及各种查询编辑器和可视化工具，为构建统一平台奠定了坚实基础。

尤值一提的是，开创业界先河的Amazon SageMaker AI将亚马逊云科技在大数据分析、机器学习、模型开发和生成式AI方面的核心经验融入统一平台，为客户提供从数据准备、参数调优、训练、部署到可观测性的各类工具和服务，显著减少机器学习和数据全生命周期中的重复劳动，树立起生成式AI与数据要素协同演进的新标杆。

生成式AI携手数据要素奔赴未来：跨越前行路上的沟沟坎坎

知名研究机构Gartner发布的报告显示，到2028年，现有的数据基础设施中将至少有50%因与AI生态系统脱节而过时，属于数据数智基建的新时代已经来临。

显而易见，Amazon SageMaker即是AI Infra新生代的典型代表，未来的前途不可限量。但毋庸讳言的是，新型统一平台的进化不可能一蹴而就，还需要跨越落地进程中的沟沟坎坎。

以备受关注的大模型训练场景为例：假设一个大模型训练共需30天，用户要花费大量时间在云服务上搜索可用容量，获得容量后还必须做好资源管理，并将更多数据移动到指定区域，其间面临的挑战不言而喻。Amazon SageMaker HyperPod flexible training plans可帮助客户通过快速创建训练计划，自动获取容量及处理实例中断情况，在全球动态容量环境中顺利完成训练任务。

除了单一大模型训练外，很多客户在生成式AI落地过程中还要解决跨团队、跨项目利用计算资源的难题。Amazon SageMaker HyperPodtask governance基于自动化管理AI任务的优先级，大幅提高计算资源利用率，且降低40%的成本；用户还可自主定义从推理到微调、训练的各种模型任务优先级，真正把“好钢用到刀刃上”。

站在更长远的视角，新型统一平台将优质的AI应用程序和数据资源进行充分整合，是实现跃迁的必由之路。全新的Amazon SageMaker集成了合作伙伴的应用，并与三方AI开发工具深度整合；面向应用程序的Zero-ETL能辅助客户无需构建数据管道，便可分析存储在第三方SaaS应用程序中的数据；Amazon SageMaker Lakehouse还针对跨不同数据源，提供简单统一的数据接入与访问控制。

海纳百川，有容乃大。兼容并包的Amazon SageMaker堪称生成式AI与数据要素融合创新的典范，为更多数据数智基建的探路者指明了方向。尽管前方的征途不会平坦，但心向往之，行则必至。